Embassy-rs项目中STM32 ADC通道选择问题的技术分析
2025-06-01 17:29:54作者:幸俭卉
问题背景
在嵌入式开发中,模数转换器(ADC)是常用的外设之一,用于将模拟信号转换为数字信号。在embassy-rs项目中,针对STM32系列微控制器的ADC驱动实现存在一个潜在的问题,特别是在通道选择方面。
问题描述
在STM32 L0系列微控制器的ADC实现中,发现通道选择逻辑可能存在错误。具体表现为:
- 当使用PA4引脚作为ADC输入时,代码将通道号4直接写入寄存器
- 但根据STM32参考手册,ADC通道选择寄存器(CHSELR)需要的是位掩码形式,即1<<n,而不是直接的通道号
技术细节分析
ADC通道选择寄存器结构
STM32的ADC通道选择寄存器(CHSELR)是一个位掩码寄存器,每个位对应一个通道:
- 位0:通道0选择
- 位1:通道1选择
- ...
- 位18:通道18选择
要选择某个通道,需要将对应位置1,而不是写入通道号本身。
当前实现的问题
当前代码中,impl_adc_pin!宏定义如下:
macro_rules! impl_adc_pin {
($inst:ident, $pin:ident, $ch:expr) => {
impl crate::adc::AdcChannel<peripherals::$inst> for crate::peripherals::$pin {}
impl crate::adc::SealedAdcChannel<peripherals::$inst> for crate::peripherals::$pin {
#[cfg(any(adc_v1, adc_l0, adc_v2, adc_g4, adc_v4))]
fn setup(&mut self) {
<Self as crate::gpio::SealedPin>::set_as_analog(self);
}
fn channel(&self) -> u8 {
$ch
}
}
};
}
问题出在channel()方法直接返回了通道号,而没有转换为位掩码形式。
正确的实现方式
根据STM32 HAL头文件定义,正确的做法应该是返回1<<n的位掩码:
#define ADC_CHSELR_CHSEL4_Pos (4U)
#define ADC_CHSELR_CHSEL4_Msk (0x1UL << ADC_CHSELR_CHSEL4_Pos) /*!< 0x00000010 */
#define ADC_CHSELR_CHSEL4 ADC_CHSELR_CHSEL4_Msk /*!< Channel 4 selection */
因此,Rust实现应该修改为:
fn channel(&self) -> u8 {
1 << $ch
}
底层寄存器访问分析
在embassy-rs的寄存器访问层,set_chselx方法的实现是正确的:
pub fn set_chselx(&mut self, n: usize, val: bool) {
assert!(n < 19usize);
let offs = 0usize + n * 1usize;
self.0 = (self.0 & !(0x01 << offs)) | (((val as u32) & 0x01) << offs);
}
这个方法已经正确处理了位操作,只需要传入正确的通道号即可。问题在于上层提供的通道号格式不正确。
影响范围
这个问题可能影响以下STM32系列:
- ADCv1版本
- ADCv2版本
- ADCv4版本
- STM32L0系列
- STM32G4系列
解决方案建议
- 修改
impl_adc_pin!宏,使其返回位掩码而非直接通道号 - 或者修改
read方法,在写入寄存器前将通道号转换为位掩码 - 更新相关文档,明确通道选择的使用方式
总结
在嵌入式开发中,对硬件寄存器的精确操作至关重要。STM32的ADC通道选择需要特别注意寄存器格式要求。这个问题提醒我们在开发硬件抽象层时,必须仔细对照芯片参考手册,确保寄存器访问的正确性。同时,良好的文档和注释也能帮助开发者避免类似的错误。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
25
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
415
3.19 K
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
680
160
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
Ascend Extension for PyTorch
Python
229
259
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
689
327
React Native鸿蒙化仓库
JavaScript
265
326
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
660